一种改进的路线寻找算法使用无处不在的基于本体的建模经验

文摘

每一天,人在不同组织雇佣和退休老员工从企业系统消除。消除这些人从组织导致的损失他们的空间体验。此外,由于新员工缺乏相关经验,他们需要很长时间才能为公司培养正确的技能,甚至可能造成损害的组织在这个学习的过程。因此,存储空间的个人经验是一个关键问题。由于无处不在的智能地理信息系统(GIS),任何用户可以接收和存储的任何经验。在未来,基于这些经验,每个用户可能提供一个适当的服务。本文旨在提出一个基于本体的模型存储空间体验无处不在的GIS领域的路由发现。为此,第一本体设计路线寻找,然后根据这一本体,无处不在的GIS的开发基于本体的路线寻找算法。最后,该算法实现对德黑兰,伊朗,其结果与最短路径算法(迪杰斯特拉算法)的路线和旅游高峰时间交通时间。结果表明,虽然路线长度从基于本体的算法获得超过Dijkstra算法,旅行时间较低,在一些路线节省旅行时间的差异达到35分钟。

1。介绍

知识管理是一个过程,帮助组织发现、选择、组织、和发布重要信息和技能视为组织记忆和不典型的组织。这使组织能够有效地管理学习问题,战略规划和动态决策。知识管理的出现的原因可以考虑如下:(1)工业商业模式的转换;在过去,一个组织的资产从根本上有形资产和金融资产(生产设备、汽车、土地,等等);(2)一个非凡的增长的信息量及其电子存储和访问信息通常附加值增加知识;(3)人口年龄金字塔的变化和人口属性中提到的只有少数来源;和(4)专业活动也可能持有的风险失去组织和专业知识通过转移或解雇员工。出租车协会的一个组织,需要组织组织记忆。在这个组织,出租车司机获得的技能和知识通过重复多次日常路线这几年之后,他们成为专家和有经验的人在他们的工作。实际上,这个经验是一种知识获得经过多年的努力,它被称为空间体验,因为它是基于位置。 A spatial experience is an everyday experience of the population that is related to locations or people’s activities that are conducted in a location [1]。换句话说,空间体验可以被称为基于位置的经验。找到地点之间的路线和目的地的出租车司机是一个基于地理位置的活动由出租车司机在一个城市,出租车司机的经验找到好的路线空间体验。在日常生活中,有许多经验丰富的出租车司机是谁在退休后从出租车协会。这将导致损失的空间体验专家司机没有将这些经验转移到下一个司机。另一方面,新出租车司机需要高成本的培训和相当长的时间来获得经验与前面的司机。由于上述原因,有必要使用一些方法,可以节省这些知识并重用它来解决各种问题。在知识组织语义起着重要作用,它可以支持测量和获得知识的浓缩2)使用语义的本体的方法之一。本体术语在一个域的集合,而这些方面都与视觉属性,关系和关联。领域知识本体结构,提供重用领域知识的机会,使域假设显式(3]。

几个研究人员专注于知识的存储的经历和配方。Foguem et al。4)制定知识反馈流程的经验。其目的是将从经验中得到的信息转化为显性知识。在他们的论文中提供的反馈框架的经验是工业解决问题方法的概述,包括5个部分:事件,环境,分析,解决方案,和学到的教训。建模经验,案例推理和概念图已经被使用。Lasierra et al。5)使用本体建模医院健康目录和共享和获取知识从医院人员的经验。组织知识的角色在组织学习过程已经研究了亚伯(6]。这些知识是使用本体呈现。本体是知识地图的基础和网络组织学习的系统性能。网络的创新系统提供了在他的论文的组织资源与知识地图。定义了一个项目,专注于收集组织领域的知识和技能,更具体地说,收集资源相关知识。这个项目的目标是管理这些资产通过使用信息技术操作系统,支持用户的组织记忆。它也关注组织的用户如何应用这个系统作为组织学习向量。Garcia-Crespo et al。7)设计了一个语义酒店推荐专家系统和消费者的使用体验和模糊逻辑技术找到酒店根据游客的需要。

Mourtzis et al。8),Efthymiou et al。9],巫女et al。10)也使用本体、知识库和网络软件来交流经验。数据挖掘和概念图是用Ruiz et al。11)重用行业经验。Moehrle和Raskob12)使用数据挖掘管理核事件之前的经历。孟et al。13]试图从经验中提取有效信息的消费者在消费社会的华为P10 / P10 +网络。他们使用网络分析方法中,每个节点代表一个主题和边缘的重量表示用户的数量。雷努和Mocko14)使用数据挖掘来重用行业经验。Modoni et al。15还利用本体对知识重用的行业。本研究有三个步骤包括自动生成本体与关系数据库模式、本体集成和添加规则和执行查询。雷耶斯et al。16)使用案例推理和知识库存储和重用经验的行业。Kamsu-Foguem和Abanda17)使用知识库收集经验和图形的概念来表示本体在工业。在另一项研究中,Kamsu-Foguem et al。18]概念图和本体用于检查建筑研究建立环境评估方法(实业)可持续性标准。奥斯曼和Beydoun19知识库)也用于存储和重用灾害管理知识。夏et al。20.)提出了一种新的算法分析的时空模式出租车轨迹Apache Hadoop分布式计算平台上为了提高Hadoop在处理大数据集的功能与大量的小文件,减少内存消耗。耿et al。21后)使用owl - s促进地理空间知识服务的时空语义信息。为了进行构成三个逻辑部分包括服务配置文件(解释了web服务的使用和功能),服务(服务执行逻辑)模型和服务绑定规则(规则调用web服务)。Nowak-Brzezińska [22)提出了一种新的知识库结构和推理算法改进规则分析过程的检查。推理算法是一个合并规则聚类方法类似的基于相似度值的规则。Maleki et al。23)提出了本体论作为一个框架支持智能服务行业的产品服务系统。根据存储的经验,研究不同的方法包括本体(6,24),概念图(25],规则[17),和逻辑16)已被用于建模的经验。然而,概念图和规则主要是用于知识表示,和他们的应用程序是有限的。这源于这样一个事实:所有关系概念不能提出的概念图。此外,由逻辑模型建模的经验可能会导致一些问题包括复杂性,缺乏明确性,效率低下等建模复杂现象的人类活动,行为,和情绪,和更新(改变逻辑关系会导致改变整个模型)。然而,在本体中定义的关系是明确的,每个人都可以毫不费力地理解这些关系。同时,本体论模型很容易更新的,这个规则是在设计这些模型(一个基本原则26]。

领域的一些研究也已经完成本体和路由发现。领域本体已经从高层建立本体由Camossi et al。27]。这个本体的目的是确定在海上运输行业和异常检测的运输违禁品的海上监视。Wannous et al。28)使用本体来研究路径的海豹。道路本体进行个性化的旅行和动物监测研究胡锦涛et al。(29日]。Baglioni et al。30.)使用路径本体研究个体在一个手机游戏的行为。在这个研究中,一系列的地理坐标点是嵌入在地上。当一个人连接到游戏服务器,通过这些点通过回答一些难题,路线会发现可以用来检查在比赛中个人行为。Durak et al。31日)结合路径模拟与路径本体的角度和方向来模拟飞机着陆和飞行,飞行路径。Malgundkar et al。32本体用于城市交通分析。Sadeghi-Niaraki et al。33使用本体来SDI服务,尤其是路线寻找分析。开发了一个基于本体的路线寻找系统使用由Niaraki多准则决策方法和金34]。卡等。35)提出了一个基于本体的概念建模导航、旅游系统。拟议的系统是一个多媒体和空间数据库系统,可以与各种传感器集成,包括数码相机和全球定位系统(GPS)在移动平台,给出基于位置的服务上下文服务来帮助环境敏感服务和可用的移动和桌面应用程序。Effati和Sadeghi-Niaraki36)使用本体来预测交通事故。Czerniak et al。37)提出了一个owlANT模型存储图形的可能的途径蚂蚁的蚁群算法。在这个本体模型,类和关系图的顶点和边的形式,分别。虽然这些研究本体用于路线寻找,本体的定义和概念的这些论文不同于本文,和更新的过程中创建的本体是很少有人。

一些研究人员已经使用在路由发现出租车司机的经验。例如,李et al。38)建立了一个分层的街道网络路线寻找使用出租车GPS数据。他们认为只有GPS数据相关的交通高峰时间。Ji-hua et al。39)使用出租车GPS数据建立了一个实验性的街道网络。在这个研究中,分离不必要的GPS数据,假设出租车速度不应低于最低速度;如果出租车速度低,这表明,出租车正在寻找一名乘客,而不是运输的人。此外,用于路由发现一个分层的方式首先检查用户输入的位置和目的地是否在实验网络。如果都在实验街道网络,那么只有实验街道网络可用于路由发现。如果他们两人在实验街道网络,然后最近的点(或)是在网络和一个矩形比点和最接近的点之间的距离在实验选择街道网络的主要街道网络。例如,如果两个实验的位置和目的地没有街道网络,路由发现使用迪杰斯特拉算法做如下:位置和最近的点之间的路径的实验找到街道网络,其次是实验街的最接近的点之间的路径的位置和网络实验的街道网络的最接近的点目标和最后的最近点之间的路径实验街道网络的目标和目的。在我们的论文,这种分级方法的一部分,该方法使用。Ziebart et al。40)提出了一个概率方法来预测下一个路口,目的地和路线司机基于出租车GPS数据。这种方法被用来帮助用户提供正确的信息和服务在正确的时刻无处不在的地理空间信息系统(无处不在的GIS)。司机的行为建模,而不是直接提供最快的路线司机,司机是预期的目的地。元等。41)也使用GPS出租车数据创建一个时间实验路径图,一个节点是一个部分的路由,一再被出租车司机使用。他们使用一个entropy-variance-based聚类方法来估计旅行时间。摘要,考虑的次数,每一部分通过司机的加权边缘的街道网络已经使用。陈等人。42),楚et al。43,刘等人。44)确定航线异常,这些异常的来源使用出租车GPS数据。刘等人。45)用出租车司机的经验来研究城市结构和用户规划。例如,在这个研究中,检测到繁忙的航线上,然后交通拥挤的原因将决定(例如,存在一个地铁站)。然后,它是决定,例如,创建更多的宿舍将会减少旅行时间。压力和Koutsopoulos46)形成一个路径图使用出租车GPS数据和使用这张图找到最短路径的最低成本。郑et al。47)使用60人在10个月内的GPS数据来推断基于监督学习的个人运输模式。这样做是为了帮助人类行为的认知和理解用户的移动性,无处不在的计算。由于不同的研究在这一领域,由于减少路由发现的处理时间是很重要的,生成一个新的街道网络比大街上简单的网络加速路由发现是经常做的。然而,分离traffic-intensive高流量和低流量路线是不被认为是由于出发的时间和简化的出租车街道网络,本体的结合和出租车司机的经验并没有被使用。此外,这些研究需要充分利用Dijkstra算法的算法,也可以减少路由发现的速度和精度在大型街道网络。

本文旨在模型空间(位置)的经验使用本体无处不在的GIS领域的路由发现。无处不在的GIS是GIS的结合,主要是定义为一组的概念,方法和标准空间(和时间)数据和流程进入主流的计算和创建用户友好的程序和系统。在这方面,两个组件的任何用户无处不在的GIS数据和专注,从任何人和每个经验领域的路线寻找可以在经历本体建模和可用于路线寻找算法。本文的总体趋势是第一本体为路线寻找设计的。然后,这个本体所需的数据收集(出租车司机路径)使用一个应用程序。接下来,基于的次数,每段通过司机,每段路径的成本是决定和一个基于本体的路由发现算法的提出了司机的经验。最后,该方法实现无处不在的城市GIS的德黑兰和比迪杰斯特拉算法的旅行时间和路线的长度。应该注意,提高司机的路线寻找算法使用基于本体的建模的空间体验促进服务的及时性,提供了早些时候的能力利用信息没有后处理,并提高共享、重用、和处理领域知识(48,49]。本文的结构如下。节2无处不在的GIS的概念,利用本体建模的原因个人经验在无处不在的GIS解释道。节3本文的一般方法,司机的经验本体,加权法,提出了基于本体的路线寻找算法。该算法使用德黑兰的数据实现部分4。节5Dijkstra算法相比,该方法的旅行时间和路线的长度。最后,该方法的一般结论和提出了它的优点。

2。无处不在的计算

随着科学技术的发展,新一代的计算出现了。无处不在的计算,这是一个新一代的计算机系统,包括一个广泛的计算机和小型传感器嵌入到环境中。事实上,无处不在的计算的目标是减少虚拟维度的技术在我们的生活中。在无处不在的计算,所有人类被限制。图1说明了无处不在的计算的元素。在无处不在的计算,用户可以在任何位置访问他们所需的服务,在任何时候,使用任何设备,网络中没有任何限制。与此同时,大量的信息和服务在当今世界造成的引入一些新概念,例如提供智能定位服务在任何情况下,在任何时间和地点,使用任何设备和服务,通过网络,和任何用户。考虑到地理信息系统和信息技术(IT)之间的亲密关系,测绘学,特别是GIS,跟随这个趋势,介绍了无处不在的地理空间信息系统。无处不在的GIS是基于移动计算技术环境,并提供移动和分布式地理信息服务。它集GIS、GPS、无线通信(50]。无处不在的GIS提高了空间数据的提供和服务用户,甚至那些没有专业知识的公共地理信息系统,在一个易于使用的方式51,52]。

确切的路线寻找算法的主要问题是相对较大的时间找到两个地点之间的路线和高容量的数据存储在数据库中。在无处不在的环境中,系统需要实时地响应用户的请求;因此,提到的问题应该解决的障碍。本文利用本体来克服这一问题,加强不同用户之间的知识共享和重用。换句话说,本体帮助存储知识供不同的用户使用很多次。在这种情况下,任何用户元素无处不在的环境支持。本体提供能力利用之前的信息没有后处理(53]。这有助于服务的及时性。此外,在路线寻找算法使用本体存储的知识经验丰富的人。这使得系统智能,无处不在,就像一个经验丰富的人。此外,本体存储在纯文本格式的数据,如Web本体语言(OWL)。显然,纯文本格式要求低得多的存储空间。此外,本体是独立的从文本和实施和运行在更高层次的抽象。然而,数据库是位于较低的抽象级别,他们主要是为了满足一个特定的应用程序或公司的要求,当需求改变时,数据库的模式也需要修改(54,55]。在我们的研究中,由于我们多次更新本体,关系数据库不能使用。关系数据库不适合需要频繁的更新,因为你的应用程序需要改变每个更新的模式。此外,本体不需要规范化(特征简化为信息共享和合并)(56]。然而,关系数据库需要规范化。此外,本体语言更富有表现力的表达比数据库语言语义概念只包括结构定义或提取数据55]。此外,本体语言提供一个更正确和精确领域概念化(57]。

在这个研究中,任何用户都可以访问该本体在任何时间和任何地点找到路线。此外,由于无处不在的智能环境,从用户体验(任何数据无处不在的计算的元素)可以接收和存储用于未来服务。

3所示。方法

图2显示了本研究的主要过程。基于这些过程,基于本体的路线寻找算法使存储和检索空间经验的出租车司机。

一种基于本体的算法用于存储空间无处不在的GIS空间提出了经验。图3描述了该方法的工作流程。首先,收集数据集通过一个应用程序。这个程序收集出租车车辆的路线,所需的本体。的次数,每段是通过驱动程序和用于重量计算边缘的街道网络,建立成本模型。然后,出租车路径转换为司机的经验类的本体。最后,基于本体路线寻找算法设计,实现,和评估在无处不在的环境。这项工作已经在以下部分中详细描述。

该算法使路线寻找系统智能和无处不在的打算像有经验的人。无处不在的系统是一个智能系统行为不仅像一个人,也像一个经验丰富的人。感兴趣的人在某些领域工作多年来,得到了很多的经验。这个人有很多的知识。传输系统的知识经验丰富的人,我们需要这个算法。该算法可以接收和存储的知识一个经验丰富的人,也积累了许多经验丰富的人的经验。

3.1。司机的经验本体

在我们的本体中,司机的经验类包括两个子类:实验路线和非实验路线。实验路线类包含的路径有经验的司机。这些路线通过应用程序收集和转换为OWL类。这个类本身,包括两个子类:交通和没有交通类。交通高峰时段的路径通过了(7 - 10点和下午16 - 20)分类下交通子类。非实验路线类包含路径从路线寻找获得过程。这些也应该转化为OWL类。本体在司机的经验,为了简单起见,为了提高可用性,只有路线被定义为类的名称;个人在这个文件中定义的每个类都不是。对于每个路由类,定义一个单独的OWL文件,的名字是一样的相应的路由类本体在司机的经验。 The constituent nodes of a route are stored as individuals in the corresponding OWL file using their identification (ID) code as their name. The coordinates of each node are defined as data properties of individuals in the ontology.

创建的本体如图4。为了节省空间,只有有限数量的路线。这个图描述了本体在路线寻找过程。路线寻找后,如果创建了一个新的路径和时间输入的用户在选择范围内,它将存储在交通非实验路线类的子类。否则,它将存储在nontraffic子类。每个类本体的最低水平显示了一个路线,及其名称定义基于其位置和目的地。路线是遍历nontraffic时报》类的名称将位置目的地,线路相关的交通类,类将location_destination_t的名字。如果路线穿越交通时间和从算法的检索结果,将location_destination_n_t类的名称。这个本体的流程图如图5。

3.2。称重法

在这篇文章中,街道网络构造图。根据这个图表执行路线寻找。每一部分的路径被认为是一个边缘图。每条边的重量决定根据司机的次数已经通过相应的部分。因为这个数字可能会出乎意料地好,计算其正常形式如下: 在哪里程数的优势, ,和和是整个经过的最小和最大数量的图表。一段不位于实验路线, 。因此,f_最小值= 0。通常,边缘的街道网络的权重计算使用以下方程: 在哪里表示的重量我^th边的图,边的长度, 是传递的最大数量的边缘的长度除以边缘。由于边缘权重较小的首选Dijkstra算法的最大值的值减去逆值。

选择迪杰斯特拉算法在这项研究的原因是在该算法中,在每一个执行,如果创建一个新的路径的算法,它将存储在本体重用它在未来。因此,我们需要使用一种算法提供一个精确的结果有百分之一百的可靠性,因为结果将在未来被重用。之间的最短路径算法,广度优先搜索(BFS)和深度优先搜索(DFS)只能用于一个加权图,如果重量是相等的。然而,在我们的图表,权重的遍历的出租车是不平等的。此外,他们比迪杰斯特拉算法(慢58]。使用启发式和贪婪算法算法的结合贪婪算法和迪杰斯特拉算法。因此,它们提供了一个近似的结果,而不是一个确切的结果。

3.3。无处不在的基于本体的路线寻找算法

图6描述了我们的算法的工作方式。首先,用户指定地点,目的地和时间。然后,该算法确定一个子类指定位置和目的地存在于本体。如果时间选择范围内的高峰时期,现有的交通子类中路径搜索。否则,路径nontraffic子类的检查。存储路由路径时,显示给用户和算法终止,无需进行路由发现。然而,没有相应的路径时,该算法确定的位置和目的地存在于实验街道网络。如果两个存在于网络,只有实验网络用于构造图,找到路线(再次,峰值时间决定了子类choose-traffic或nontraffic)和算法终止。如果位置和/或目的地不存在在实验街道网络,网络的亲密点被发现。然后,一个矩形直径(R₂=R₁+ 2√2 h)大于位置之间的距离(或目标),重点是提取主要的道路网络。提出了分层算法的流程图和矩形区域的提取道路网图所示7。明确路线寻找过程,考虑一种情况不存在位置和目的地在实验网络。在这种情况下,路由发现包括三个阶段:(1)位置的路线寻找最接近的实验网络(SS);(2)路线寻找这个点到最接近点的实验网络的目的地(年代会);和(3)路线寻找最接近的实验网络(关于目的地)到目的地(D)。路线寻找后,产生的途径是存储在司机的经验本体作为一个单独的OWL文件。现在,请求这些位置和目的地是实时反应不需要额外的路线寻找。

(一)

(b)

4所示。实现

在本文中,一种基于本体的路线寻找算法根据司机的无处不在的GIS空间提出了经验。实现该算法的步骤如图所示8。为了实现该算法,通过一个应用程序所需的数据收集存储出租车车辆的路线通过OpenStreetMap (OSM)地图。这些路线和相应的上车和下车车站位于德黑兰,伊朗,进入应用程序的驱动程序。然后,他们被转换为shapefile。预处理ArcGIS软件执行的任务包,结果存储在Oracle数据库中。每个路线也转换为一个OWL文件使用OWL在Java应用程序编程接口(API)。使用这些路线,司机的经验本体分别建于门生软件。路线的样本存储在应用程序如图9。

数据准备后,给出了算法实现的。在每次运行应用程序,如果生成一个新的路线,它将作为一个类存储在司机的经验本体用于未来的请求,而不需要额外的处理。因此,线路容量的方式存储,数据处理可以减少更多的运行算法。每个路由类的本体相应shapefile占地约20 - 25百分比的。此外,提出了算法,两个公路网络存在一个峰值电路网和低流量的道路网络。在高峰时期,找到一个最佳的路线变得重要;因此,该算法将使用迪杰斯特拉算法向用户和当前最优路径。

5。评价

为了评估该方法,对10个不同的location-destination,覆盖大部分德黑兰城市,被选中。首先,实验道路网络是完全构造(ER)。然后,它只是用考虑到低流量实验路线(ETR)。同时,location-destinations之间的最短路径得到使用迪杰斯特拉算法(博士)。为所有获得路线,路线长度计算。使用司机的报道,旅行时间计算。图10说明了一双location-destination产生的路线(路线10)使用上面的三种方法。

5.1。评估基于路径的长度

图11显示了一个图的三种方法的路径的长度。路线长度计算,即通过积累他们的构成部分。图12描述路线长度的比率从两种提议的方法获得的迪杰斯特拉算法。图13比较平均长度的10个路线为每个方法。

可观测的数据,线路长度最短路径算法的短比其他两种方法。相比之下,他们更大的值在考虑高流量的路由。航线的平均长度为11.02公里的迪杰斯特拉算法,当只考虑交通路线,14.22公里,13.4公里在考虑所有的实验(交通和nontraffic)路线。这是由于出租车司机一般选择最长的,但同时,最快路线。另一方面,迪杰斯特拉算法不考虑旅行时间。

5.2。基于行程时间的评估

图14显示了一个图的旅行时间的三种方法。旅行时间已经从不同的司机有驱动这些线路在高峰时期和在现实条件。图15描述了旅行时间从两个提议的方法获得的迪杰斯特拉算法。图16比较每种方法的平均旅行时间。

可观测的数据,旅行时间从层次实验方法获得当只考虑高流量条件最低;然而,旅行时间最短的路径是最高的。平均旅行时间是80分钟的迪杰斯特拉算法,61分钟时只考虑到高流量的路由,77.5分钟时考虑所有的实验路线。虽然路线早已在考虑高流量的路由时,他们很快由于低流量的选择路线。例如,当从Valiasr广场Tajrish广场,迪杰斯特拉算法表明,开车经过Valiasr街,这对应于最短的,但不是最快的路线。然而,提出基于本体的方法表明,司机收益主要沿着Modarres公路,这减少了旅行时间35分钟的高流量条件。

提出另一种方法来评估这两个方法对迪杰斯特拉算法是寻找理想的路线。为了找到理想的路线,路线的长度除以它的旅行时间。显然,当所有路线的路线长度或只是其中两个是相等的,最短的一个旅行时间应该选择最优路径。另一方面,当旅行时间是相等的,最短的长度应该选为最优路径。因此,在8例(10例)、基于本体的路线找到只考虑高流量的路由(ETR)主导。在其他两个情况下,旅行时间大致相等;然而,路线长度从迪杰斯特拉算法获得较低的值。从理想确定每个方法的偏差情况,如图所示17使用以下公式:

因此,根据上面的评估,它可以声称,消除实验高流量的路由在高流量的条件下,利用司机的经验使算法生成最优路线通过低流量的网络。这最大限度地减少旅行时间,路线寻找的最重要的参数。

6。结论

不同的人得到不同的空间体验。因为没有系统来存储这些经验,随着时间的推移它们蒸发。目前的研究提供了存储空间的能力经验和使现有的系统在无处不在的GIS空间智能。本文基于本体在无处不在的GIS空间路线寻找算法设计和实现,使用路线由德黑兰的司机在高和低流量条件。

提出了基于驾驶员的路线寻找算法的经验本体的次数,每一部分是通过驱动程序用于分配权重的网络。首先,用户指定地点,目的地和时间。然后,该算法确定一个子类指定位置和目的地存在于本体。如果时间选择在高峰时期,现有道路交通在子类。否则,路径nontraffic子类的检查。存储路由路径时,显示给用户和算法终止,无需进行路由发现。然而,没有相应的路径时,该算法确定的位置和目的地实验道路网络中存在与否。如果两个存在于网络,只有实验用于构造图,找到路线(再次,峰值时间决定了子类choose-traffic或nontraffic)和算法终止。如果原点和/或目的地不存在实验道路网络,网络的亲密点被发现。然后,一个矩形直径(R₂=R₁+ 2√2 h)大于位置之间的距离(或目标),重点是提取主要的道路网络。该算法的主要区别与之前的实验路线寻找算法是使用本体和公路网络的建设只考虑低流量网络中路径有高流量的路径。因为每个新路径存储作为一个单独的OWL类,数据库是存储问题解决。此外,本体的使用使系统更新每次算法运行并生成新的路径。利用只在高流量低流量路线条件允许系统显示更快的路线,确保最优路径根据旅行时间。根据我们的评估,该算法同时建议路线长,但最快的。这保证了适当使用这种算法的路由发现。在这个研究中,任何用户都可以在任何时候从任何位置访问本体和进行路由发现。此外,智能,无处不在的环境可以接收和存储的经验(任何数据元素无处不在的GIS)内的任何人使用它的服务在未来。

更具创新性的应用空间建模经验,如救护车、消防,和旅游服务,可以为进一步的考虑。这一类的路线寻找的过程也受到交通紧急服务也可以成为堵车像其他司机因为没有专用的所有道路上的线。由于限制在路的长度和大量的车辆在道路交通时代,其他车辆很难提供路线穿越的救护车,他们仍然需要找到一种方法来避免交通堵塞。因此,专家技术人员的经验在救护车或消防队员已经在真实事件在未来可以建模和使用条件。此外,本研究只考虑两个因素,距离和时间,进行评估。其他标准包括油耗可以被认为是在未来。

数据可用性

作者准备分享研究数据请求。

信息披露

Maryam Barzegar和Abolghasem Sadeghi-Niaraki视为co-first作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了MSIT(科技部和ICT),韩国,在期(信息技术研究中心)支持程序(IITP - 2019 - 2016 - 0 - 00312)监督的IITP(信息与通信技术研究所计划和评估)。

引用

i . p . Tussyadiah和f·j·扎克地区技术到位的角色体验,”《旅游研究,39卷,不。2、780 - 800年,2012页。视图:出版商的网站|谷歌学术搜索
通用汽车Honti和j . Abonyi”回顾语义传感器技术在物联网架构,”复杂性卷,2019篇文章ID 6473160, 21页,2019。视图:出版商的网站|谷歌学术搜索
h·戈文达拉扬,a . j . Trappey和c . v . Trappey”以人为中心的cyberphysical身临其境的技术系统在复杂的生产流程:一个全面的概述全球专利档案利用集体智慧,”复杂性ID 4283634条,卷。2018年,17页,2018。视图:出版商的网站|谷歌学术搜索
b . k . Foguem t .这c·贝尔和l . Geneste”知识形式化的经验反馈过程:一个基于本体的方法,”计算机在工业领域卷,59号7,694 - 710年,2008页。视图:出版商的网站|谷歌学术搜索
n . Lasierra Roldan称,a . Alesanco和j·加西亚,“对改善医疗用品的使用和管理:一个基于本体的知识共享解决方案,“专家系统与应用程序第41卷。。14日,第6273 - 6261页,2014年。视图:出版商的网站|谷歌学术搜索
M.-H。亚伯,“知识地图网络平台促进组织学习的经历,“电脑在人类行为,51卷,第966 - 960页,2015年。视图:出版商的网站|谷歌学术搜索
一个。Garcia-Crespo, j·l·Lopez-Cuadrado r . Colomo-Palacios Gonzalez-Carrasco,和b . Ruiz-Mezcua”Sem-fit:一个基于语义的专家系统提供建议在旅游领域中,“专家系统与应用程序,38卷,不。10日,13310 - 13319年,2011页。视图:出版商的网站|谷歌学术搜索
d . Mourtzis m . Doukas, c . Giannoulis”历史的推理知识重用框架产品和生产信息检索,“Procedia CIRP41卷,第477 - 472页,2016年。视图:出版商的网站|谷歌学术搜索
k . Efthymiou k . Sipsas d Mourtzis, g . Chryssolouris”对制造系统设计知识重用和规划:语义技术的方法,”CIRP制造科学与技术杂志》上,8卷,1 - 11,2015页。视图:出版商的网站|谷歌学术搜索
w·l·巫女,j·c·e·费雷拉,p . e . A . Botura和l . s . Freitas”系统的分布式设计和制造知识的共享和重用在失效域中使用基于逻辑的本体描述,“制造系统期刊,30卷,不。3、133 - 143年,2011页。视图:出版商的网站|谷歌学术搜索
p·鲁伊斯b . k . Foguem, b . Grabot“生成知识的维护经验反馈,”以知识为基础的系统卷,68 4,2014页。视图:出版商的网站|谷歌学术搜索
,时任“Moehrle和w . Raskob妇女组织和重用知识从历史事件支持核应急和补救管理”人工智能技术的工程应用,46卷,第311 - 303页,2015年。视图:出版商的网站|谷歌学术搜索
张问:孟,z、x Wan和x荣,”属性探索和信息挖掘消费者社区网络:华为的花粉俱乐部,”复杂性卷,2018篇文章ID 9470580, 19页,2018。视图:出版商的网站|谷歌学术搜索
r·s·雷努和g . Mocko”计算相似度的基于文本的组装过程对知识检索和重用,“制造系统期刊39卷,第110 - 101页,2016年。视图:出版商的网站|谷歌学术搜索
g . e . Modoni m . Doukas w . Terkaj m .焦点在于和d . Mourtzis”加强工厂数据集成通过本体的发展:从参考模型重用遗留的语义转换模型,”国际期刊《计算机集成制造,30卷,不。10日,1043 - 1059年,2017页。视图:出版商的网站|谷歌学术搜索
e·r·雷耶斯s Negny g·c·罗伯斯和j·m·勒Lann”改善在线适应案例推理的知识获取和重用:应用程序处理工程设计、”人工智能技术的工程应用卷,41岁,硕士论文,2015页。视图:出版商的网站|谷歌学术搜索
b . Kamsu-Foguem p.h. Abanda”为建筑行业经验建模与图形编码知识,”计算机在工业领域卷,70年,第88 - 79页,2015年。视图:出版商的网站|谷歌学术搜索
b . Kamsu-Foguem p.h. Abanda m . b . Doumbouya和j . f . Tchouanguem“基于本体推理的形式验证BREEAM的规则,”认知系统研究卷,55 14-33,2019页。视图:出版商的网站|谷歌学术搜索
s·h·奥斯曼,g . Beydoun metamodel-based知识共享系统灾害管理”,专家系统与应用程序卷。63年,49 - 65年,2016页。视图:出版商的网站|谷歌学术搜索
w·h·d·夏x Lu Li, y,和z,“mapreduce-based并行频繁模式增长算法时空关联分析的移动轨迹大数据,”复杂性卷,2018篇文章ID 2818251, 16页,2018年。视图:出版商的网站|谷歌学术搜索
w . j .耿s . Wang Gan et al .,“促进地理空间与时空语义,从信息服务到知识”复杂性ID 9301420条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
a . Nowak-Brzezińska”,提高决策支持系统的效率通过复杂的集群基于规则的知识库和推理算法,修改”复杂性ID 2065491条,卷。2018年,14页,2018。视图:出版商的网站|谷歌学术搜索
e . Maleki f . Belkadi:勃利et al .,“基于本体的框架使智能产品服务系统:应用机械健康监测的传感系统,”IEEE物联网,5卷,不。6,4496 - 4505年,2018页。视图:出版商的网站|谷歌学术搜索
p.h. Abanda b Kamsu-Foguem, j . h . m .发“BIM-new测量本体建设成本估算、规则”工程科学与技术、国际期刊,20卷,不。2、443 - 459年,2017页。视图:出版商的网站|谷歌学术搜索
b . Kamsu-Foguem和p . Tiako风险信息与图形正规化,”计算机在工业领域卷。85年,58 - 69、2017页。视图:出版商的网站|谷歌学术搜索
m . Barzegar a Sadeghi-Niaraki, m . Shakeri“基于空间体验的路线寻找使用本体,”电子杂志,1 - 11,2019页。视图:出版商的网站|谷歌学术搜索
大肠Camossi、p .别墅和l . Mazzola“基于语义异常模式发现在移动对象轨迹”,2013年,https://arxiv.org/abs/1305.1946。视图:谷歌学术搜索
r . Wannous j . Malki、a . Bouju和c·文森特”造型移动对象活动基于轨迹本体规则考虑空间关系规则,”先进的计算机应用程序建模方法和算法,页249 - 258,施普林格国际出版,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
y, k . Janowicz d Carral et al .,“语义轨迹,地理本体设计模式”《国际会议空间信息理论,页438 - 456,施普林格国际出版,斯卡伯勒,英国,2013年9月。视图:谷歌学术搜索
m . Baglioni j·马赛,c . Renso和m . Wachowicz“基于本体语义建模和推理的方法轨迹,”概念Modeling-Challenges进步和机会施普林格,页344 - 353年,柏林,德国,2008年。视图:出版商的网站|谷歌学术搜索
美国Durak h . Oǧuztuzun, s . k .我̇der”轨迹仿真重用,基于本体的领域工程”软件工程和知识工程的国际期刊,19卷,不。8,1109 - 1129年,2009页。视图:出版商的网站|谷歌学术搜索
t . Malgundkar m . Rao, s . s . Mantha“GIS城市交通分析基于本体驱动的,”国际管理信息技术杂志》上,4卷,不。1、15 - 23,2012页。视图:出版商的网站|谷歌学术搜索
a . Sadeghi-Niaraki a . Rajabifard k金,j . Seo“基于本体的SDI促进空间使社会”学报GSDI 12世界大会2010年10月,页19 - 22日,新加坡,。视图:谷歌学术搜索
a . s . Niaraki k金,“基于本体的个性化路线规划系统使用多目标决策方法,”专家系统与应用程序,36卷,不。2、2250 - 2259年,2009页。视图:出版商的网站|谷歌学术搜索
美国卡:El-Sheimy、m .马列和n . Samani“基于本体的上下文建模方法移动旅游和导航系统,”学报2010年加拿大地理信息学委员会的会议和研讨会,ISPRS收敛Geomatics-Shaping加拿大的竞争格局,页15—卡尔加里,加拿大,2010年6月。视图:谷歌学术搜索
m . Effati和A . Sadeghi-Niaraki”,一个基于语义分类和回归树方法建模复杂的空间规则的机动车辆碰撞领域,“威利跨学科评论:数据挖掘和知识发现,5卷,不。4、181 - 194年,2015页。视图:出版商的网站|谷歌学术搜索
j . m . Czerniak w . Dobrosielski h . Zarzycki,Ł。Apiecionek”提议的新owlANT方法确定本体术语,之间的距离”智能系统2014施普林格,页235 - 246年,可汗,瑞士,2015。视图:谷歌学术搜索
曾问:李,z, t, j . Li和z . Wu”查询通过灵活的等级公路网络:一种经验方法使用出租车轨迹数据,”国际期刊《应用地球观测和地质信息,13卷,不。1,第119 - 110页,2011。视图:出版商的网站|谷歌学术搜索
h . Ji-hua、h·泽和d,“分层路径规划方法使用出租车司机的经验,“Procedia-Social和行为科学卷,96年,第1909 - 1898页,2013年。视图:出版商的网站|谷歌学术搜索
b . d . Ziebart a . l .马斯河a·k·戴伊和j·a . Bagnell”导航像司机:概率推理从观察到的环境敏感行为,”第十届国际会议上无处不在的计算的程序ACM,页322 - 331年,汉城,韩国,2008年9月。视图:出版商的网站|谷歌学术搜索
j .元,y, c . Zhang et al .,”t驾驶系统:基于出租车轨迹行驶方向,”18 SIGSPATIAL学报》国际会议上先进的地理信息系统ACM,页99 - 108年,2010年11月,美国圣何塞。视图:出版商的网站|谷歌学术搜索
d . c . Chen, p·s·卡斯特罗,n, l .太阳,和美国,“实时检测异常出租车从GPS跟踪轨迹,”《国际会议上移动和无处不在的系统:计算、网络和服务,页63 - 74,激飞柏林海德堡,哥本哈根,丹麦,2011年12月。视图:出版商的网站|谷歌学术搜索
d, d . a, y赵et al .,“可视化隐藏主题的出租车运动语义转换,”太平洋学报2014年IEEE可视化研讨会IEEE,页137 - 144年,2014年3月,日本横滨。视图:出版商的网站|谷歌学术搜索
l . h . Liu y, y, m·施奈德和w·c·彭“路线从挖掘不确定的轨迹,发现”学报2011年IEEE 11日数据挖掘国际会议研讨会IEEE,页1239 - 1242年,2011年12月,加拿大,温哥华。视图:出版商的网站|谷歌学术搜索
l . x Liu锣、y锣和y . Liu”揭示旅游模式和城市结构与出租车旅行数据,”交通地理杂志,43卷,第90 - 78页,2015年。视图:出版商的网站|谷歌学术搜索
m和h n . Koutsopoulos压力“路径推理从稀疏的浮动车数据为城市网络,”交通研究部分C:新兴技术卷,30 41-54,2013页。视图:出版商的网站|谷歌学术搜索
y郑、李问:谢x, y . Chen和w . y .妈,“理解移动基于GPS数据,”第十届国际会议上无处不在的计算的程序ACM,页312 - 321年,汉城,韩国,2008年9月。视图:出版商的网站|谷歌学术搜索
美国Hasani、a . Sadeghi-Niaraki和m . Jelokhani-Niaraki“空间数据集成使用基于本体的方法,”ISPRS-International档案的摄影测量、遥感和空间信息科学,XL-1-W5卷,不。1,第296 - 293页,2015。视图:出版商的网站|谷歌学术搜索
p . Sureephong n . Chakpitak y Ouzrout, a·布拉绸”产业集群,一个基于本体的知识管理系统”全球设计以获得竞争优势施普林格,页333 - 342年,伦敦,英国,2008年。视图:出版商的网站|谷歌学术搜索
m . h . Rashidan和中情局Musliman”GeoPackage未来无处不在的GIS数据格式:复习一下,”Jurnal各种,卷73,不。5,2015。视图:出版商的网站|谷歌学术搜索
t·j·金姆和s . g .张成泽“无处不在的地理信息,”施普林格手册的地理信息海德堡,页369 - 378,激飞柏林,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
马修,“无处不在的计算智能系统技术的影响,“国际计算机科学和电子工程杂志(IJCSEE),1卷,不。5,595 - 598年,2013页。视图:谷歌学术搜索
m . Barzegar a . Sadeghi-Niaraki m . Shakeri S.-M。崔“上下文感知路由发现算法自动驾驶游客使用本体,“电子产品,8卷,不。7,808页,2019。视图:出版商的网站|谷歌学术搜索
卢恩h . t . Tran, p•哈斯”的作用和应用本体在信息系统中,”学报2007年IEEE国际会议研究、创新和对未来的愿景(RIVF)越南,河内,页14号至21号2007年3月。视图:出版商的网站|谷歌学术搜索
t·狄龙e . Chang,哈季奇m和p . Wongthongtham”区分概念造型从数据建模,建模和知识本体建模和本体建模符号,”《第五概念造型APCCM 08年在亚太地区会议7 - 17页,澳大利亚计算机协会Inc . Darlinghurst,澳大利亚,2008年5月。视图:谷歌学术搜索
m . Breu和y叮”造型世界:数据库和本体”白皮书的金融机构计算机科学研究所。奥地利因斯布鲁克大学因斯布鲁克,2004年。视图:谷歌学术搜索
c . Martinez-Cruz i . j .布兰科和m·a·维拉”本体与关系数据库:他们如此不同?比较。”人工智能审查,38卷,不。4、271 - 290年,2012页。视图:出版商的网站|谷歌学术搜索
s . h . Permana刘贤Bintoro, b . Arifitama和A . Syahputra”寻路算法的比较分析迪杰斯特拉,,BFS跑迷宫游戏。”IJISTECH(信息系统和技术的国际期刊),1卷,不。2,1页,2018。视图:出版商的网站|谷歌学术搜索

复杂性

文摘